Cómo Singapur usa la IA para convertir descubrimientos científicos en tecnologías reales

El laboratorio combinará inteligencia artificial, robótica y mediciones realizadas durante los propios experimentos en una instalación autónoma y abierta. En lugar de depender únicamente de datos publicados sobre materiales, generará información experimental que relacione las condiciones de síntesis con el rendimiento observado. Esos resultados podrán mejorar los modelos y orientar los siguientes experimentos, creando un ciclo de retroalimentación entre la predicción digital y las pruebas físicas.

Los objetivos anunciados incluyen realizar un gran número de experimentos y obtener recetas de síntesis prácticas y reproducibles para áreas como los materiales cuánticos o posteriores al silicio, los electrocatalizadores relacionados con el hidrógeno limpio y los recubrimientos resistentes a la corrosión. El resultado que se busca no es solo una lista de candidatos generados por IA, sino pruebas de cómo pueden producirse y evaluarse en la práctica.

La IA rastreará diseños de catalizadores antes de que lleguen al laboratorio

Otro programa de S$10 millones, dirigido por A*STAR —la Agencia de Ciencia, Tecnología e Investigación de Singapur— y el Imperial College London, desarrollará un Surface Science Foundation Model y una plataforma en la nube para predecir las propiedades de los catalizadores y las condiciones necesarias para sintetizarlos. La investigación está orientada a aplicaciones como combustibles más limpios, materias primas derivadas del dióxido de carbono y productos químicos de origen biológico.

La descripción principal del programa fija como objetivo acelerar 500 veces el cribado computacional. Se trata de una meta para explorar diseños mediante cálculo, no de una prueba de que un combustible o proceso químico terminado vaya a desarrollarse 500 veces más rápido. Por eso, las afirmaciones de que el trabajo será «casi cinco veces más rápido y barato» deben interpretarse con cautela si no se especifica que aluden a una métrica posterior diferente. La prueba decisiva será comprobar si los catalizadores seleccionados por ordenador funcionan en experimentos y pueden convertirse en procesos viables.

Verificar el código generado por IA

AI4S también considera la fiabilidad del software un problema de investigación científica y de ingeniería. La NUS y el Imperial College London están desarrollando herramientas de razonamiento de programas capaces de analizar y probar código, verificar formalmente determinadas propiedades y demostrar su corrección cuando sea posible. Están pensadas para software complejo o de consecuencias importantes, incluidos protocolos de red y componentes del núcleo de Linux.

Una de las aplicaciones propuestas consiste en permitir que sistemas de IA auditen el código producido por otros sistemas de IA. Esto podría hacer más fiable la programación asistida por inteligencia artificial, pero el análisis automatizado no equivale a una garantía universal de seguridad. Los métodos formales pueden demostrar propiedades concretas bajo supuestos definidos; la fiabilidad general también depende de la calidad de las especificaciones, las pruebas y los sistemas en los que funciona el código.

Salud: combinar capas de datos biológicos y clínicos

En biomedicina, el programa incluye proyectos que integran datos que normalmente se estudian por separado.

El MultiOmicsFM, desarrollado por la NUS y A*STAR, se plantea como un modelo fundacional que combinará información de ADN, ARN y actividad génica procedente de conjuntos de datos multiétnicos de Singapur. Sus objetivos de investigación incluyen estudiar el riesgo de enfermedades y mejorar el diseño y la administración de terapias de ARNm.

El proyecto BloodCounts! sigue otra vía. Desarrollará el modelo DeepCBC utilizando todos los parámetros sin procesar de los hemogramas completos junto con imágenes de frotis sanguíneos. La meta es extraer más información diagnóstica de una prueba habitual e investigar si la combinación de datos puede ayudar a predecir riesgos asociados con enfermedades como el ictus y el cáncer.

Se trata de aplicaciones de investigación en desarrollo, no de una afirmación de que un análisis de sangre rutinario pueda diagnosticar actualmente esas enfermedades. Cualquier uso clínico necesitaría validación, revisión regulatoria y pruebas de que el modelo funciona de forma fiable en las poblaciones y entornos sanitarios pertinentes.

Gemelos digitales para la agricultura y la resiliencia climática

Otro de los proyectos creará gemelos digitales agrícolas guiados por conocimiento para zonas de cultivo del Sudeste Asiático. Estas representaciones virtuales combinarán datos observados con principios de la ciencia agronómica para generar previsiones y herramientas de decisión sobre siembra, uso de recursos y cadenas de suministro.

La incorporación explícita de conocimiento científico es importante. Un gemelo digital que respete las limitaciones agronómicas puede ser más interpretable y más fácil de cuestionar que una predicción opaca. Aun así, su utilidad dependerá de la calidad, cobertura y actualización de los datos de base.

La cartera de ocho proyectos también incluye interfaces diseñadas con IA para mejorar el transporte de energía. En conjunto, las investigaciones abarcan materiales, computación, genómica, salud, energía, agricultura y resiliencia climática, en lugar de concentrarse en un único sector comercial.

El modelo de AI4S: un circuito cerrado entre la IA y los experimentos

Los proyectos comparten una lógica sencilla:

1. La IA busca o propone hipótesis, materiales, catalizadores, diseños moleculares, código o intervenciones agrícolas.
2. Los experimentos físicos o digitales ponen a prueba esas propuestas mediante laboratorios automatizados, mediciones, análisis de software o modelos relacionados con el trabajo de campo.
3. La nueva evidencia mejora el sistema, haciendo que las predicciones posteriores se apoyen más en resultados observados.
4. Los especialistas deciden qué tiene valor, incluido si un resultado puede fabricarse, es fiable, resulta clínicamente útil o tiene relevancia ambiental.

El Materials Data Foundry hace especialmente visible este circuito porque está concebido para conectar las predicciones de la IA con la síntesis y la medición automatizadas de materiales. El mismo principio aparece en el cribado de catalizadores, la verificación de software y los modelos biomédicos: las predicciones más rápidas solo son valiosas cuando producen evidencias fiables.

Por qué Singapur apuesta por la IA científica

La iniciativa es también una estrategia de talento e infraestructura. La NRF ha planteado AI4S como un espacio de colaboración entre investigadores de IA y científicos de campos como la ciencia de materiales, las ciencias de la vida y la ciencia cuántica. Su ambición declarada es formar investigadores «bilingües», capaces de entender tanto los métodos computacionales como los problemas científicos a los que se aplican.

Los proyectos reúnen a instituciones singapurenses como la NUS, la Universidad Tecnológica de Nanyang (NTU) y A*STAR con socios internacionales como la Universidad de Toronto, el Imperial College London, la Universidad de Cambridge y la Universidad de Kioto. Los dos programas del Imperial se desarrollan a través de Imperial Global Singapore, en el campus CREATE, una plataforma de investigación internacional situada en Singapur.

Esta estructura ofrece a Singapur una vía para competir en la investigación impulsada por IA: financiar proyectos ambiciosos, construir infraestructuras experimentales y digitales compartidas, atraer colaboradores internacionales y formar científicos capaces de traducir entre modelos computacionales y laboratorios.

El éxito se medirá cuando las predicciones se enfrenten a la realidad

AI4S será juzgado menos por la cantidad de predicciones que produzcan sus modelos que por aquello que resista el contacto con el mundo real. Entre los resultados más sólidos estarían:

• recetas reproducibles para fabricar materiales avanzados;
• catalizadores que funcionen en condiciones operativas realistas;
• herramientas de software capaces de demostrar garantías relevantes de corrección o fiabilidad;
• modelos biomédicos validados con conjuntos de datos y entornos clínicos adecuados; y
• herramientas agrícolas que mejoren en la práctica las previsiones o la planificación de recursos.

El programa de Singapur apuesta, en definitiva, por una IA conectada con experimentos, verificación y conocimiento especializado. La inversión de S$120 millones podría hacer más sistemático el descubrimiento científico y acelerar el camino desde una idea hasta un prototipo. Pero la pregunta central sigue abierta: si los ocho proyectos lograrán convertir predicciones prometedoras asistidas por IA en tecnologías escalables, seguras y útiles.